Electronic microscopes are tools for capturing multimedia information that provide an alternative solution to several problems. Char coal classification is carried out manually by observing its morphological characteristics. In this process is necessary to analyse at least five hundred particles. As an alternative, the automation requires the use of image processing techniques. The char images acquisition is carried out automatically using an electronic microscope with motorized stage. In this process blur, empty and fragment particles images are captured. Including all these images in the classification process imply an additional effort during the process. In particular, the blur images may produce quantification errors in the quantification of the morphological characteristics. In this article a method, based on gradient magnitude and saturation for automatic identification of blur images and images with little content, is presented as a first step towards automatic classification process. Experimental results shown that the proposed method detects 70% of blur images and 95% of images with little content

1. Identificación Automática de
Imágenes de Carbonizados Borrosas
y Con Poco Contenido
Deisy Chaves Sanchez Ing.
María Patricia Trujillo Uribe PhD.

2. Introducción (I)
Tratamiento de
Carboquímica Aguas Residuales
Vigilancia Dermatología
Diagnostico de Enfermedades
2/16

3. Introducción (II)
Carbonizado
Preprocesamiento
Resina
Adquisición de
Probeta las Imágenes
Clasificación del
Carbonizado
Identificación y Análisis
de Partículas
3/16

4. Características de las Imágenes Adquiridas
Imagen Con
Imagen Nítida Imagen Borrosa Poco Contenido
Imagen
Original
Bordes
4/16

5. Estado del Arte (I)
 Ong et al. proponen una medida de borrosidad
calculando dispersión de la magnitud del gradiente
 Ko et al. usan la desviación y la media de la de la
magnitud del gradiente en una red bayesiana
1. Ong, E., Lin, W., Lu, Z., Yang, X., Yao, S., Pan, F., Jiang, L., and Moschetti,
F. A no-reference quality metric for measuring image blur. IEEE, pp. 469-
472, 2003
2. Ko, J., and Kim, Ch. Low cost blur image detection and estimation for
mobile devices. IEEE ICACT, pp. 1605 -1610, 2009
5/16

6. Estado del Arte (II)
 Chong y Tanaka analizan la relación de la distribución
de intensidades de luz en la imagen
 Liu et al. analizan la imagen dividiéndola por bloque
usando la desviación del gradiente normalizando con
por contraste
3. Chong, R. M., and Tanaka, T. Image extreme analysis and blur detection with
identification. IEEE International Conference on Signal Image Technology and
Internet Based Systems, pp. 320-326, 2008
4. Liu, R., Li, Z., and Jia, J. Image partial blur detection and classification. IEEE
Conference on In Computer Vision and Pattern Recognition, pp. 1-8, 2008
6/16

7. Magnitud del Gradiente
Imagen Con
Imagen Nítida Imagen Borrosa Poco Contenido
74 255 255 49 44 41 105 75 27
51 207 255 45 37 33 91 69 25
31 118 255 32 26 27 81 65 19
S = 91.64 S = 7.71 S = 29.29
7/16

8. Saturación
Imagen Con
Imagen Nítida Imagen Borrosa Poco Contenido
0.50 0.52 0.01 0.36 0.38 0.32 0.28 0.32 0.17
0.47 0.48 0.04 0.35 0.39 0.30 0.22 0.20 0.17
0.52 0.48 0.03 0.31 0.30 0.23 0.14 0.15 0.15
8/16

9. Método Propuesto (I)
 Sea I una imagen de carbonizados, de dimensiones MxN. Dado un
valor n, la imagen se divide en n2 bloques, de tamaño M/n x N/n
M/n
N/n H (bi )  S (bi )  SAT (bi )
 Donde:
 S(bi), es la desviación estándar de las magnitudes del gradiente
calculadas para cada posición (x,y) en el bloque bi
 SAT(bi), es el máximo valor de saturación en el bloque bi.
El valor de saturación se obtiene como:
  I ( x, y ) R 
3   
Sat [bi (x, y)] = 1  mín I ( x, y ) G 
I ( x, y) R + I ( x, y) G + I ( x, y) B   
 
  I ( x, y ) B 

9/16

10. Método Propuesto (II)
 Se define un umbral para determinar si un bloque es
borroso o con poco contenido:
 1 Si H(bi )  t  Borroso o con poco contenido
g bi   
 0 Si H(bi ) > t  Nítido y con suficiente contenido
 El grado de nitidez y la cantidad de contenido en una
imagen se determina usando:
n2
G(I) =  g b 
i=1
i
10/16

11. Ilustración del Método Propuesto Con n=2
Imagen Con
Imagen Nítida Imagen Borrosa Poco Contenido
Imagen S(b1) SAT(b1) H(b1) S(b2) SAT(b2) H(b2) S(b3) SAT(b3) H(b3) S(b4) SAT(b4) H(b4)
Nítida 54.01 0.84 45.44 59.45 1.00 59.45 40.07 1.00 40.07 55.93 1.00 55.93
Borrosa 15.66 0.64 10.01 20.46 0.73 14.90 18.80 0.70 13.14 12.72 0.69 8.73
Con poco
3.76 0.50 1.90 5.78 0.75 4.33 5.04 0.89 2.98 10.81 0.89 9.6
contenido
Imagen de Carbonizado G(I)
Nítida 0
t =30
Borrosa 4
Con Poco Contenido 4
11/16

12. Evaluación Experimental (I)
 Se utilizaron imágenes de carbonizados a color de alta
resolución (1300 x 1030 píxeles).
Con n=4, se analizan 16 bloques de 325x257
 Una imagen es borrosa o con poco contenido cuando
ningún bloque supera el umbral t obtenido ó G(I)=n2
Imágenes Identificadas
Imágenes de Prueba
Correctamente
Prueba Umbral
Con Poco Con Poco
Nítidas Borrosas Borrosas t
Contenido Contenido
1 100 20 20 35% 47.5% 31
2 100 20 0 70%  32
3 100 0 20  95% 31
12/16

13. Evaluación Experimental (II)
 Valores de G(I) y los colores representan el tipo
de imagen: nítida, borrosa o con poco contenido
13/16

14. Evaluación Experimental (III)
 Imágenes de carbonizados borrosas y con poco
contenido que no fueron identificadas correctamente
G(I) =15 G(I) =15 G(I) =15 G(I) =14
G(I) =14 G(I) =9 G(I) =9
14/16

15. Comentarios Finales
 Se propuso un método para determinar si una imagen
de carbonizado es borrosa o con poco contenido de
partículas, usando la magnitud del gradiente y la
saturación
 Las imágenes de carbonizados tienen concentradas las
partículas en una o dos regiones
 Las regiones borrosas en las imágenes de carbonizados
son causadas por deficiencias en el proceso de pulido
15/16

16. 16/16